此前，AI 公司 DeepMind 表示，其与欧洲分子生物学实验室（EMBL）共同利用 AlphaFold2 基于氨基酸序列预测了 350000 个蛋白质的三维结构，几乎涵盖了人类基因组表达的约 20000 个蛋白质以及其他 20 多种生物的蛋白质结构。
据了解，所有的蛋白质预测结果都将以公共数据库的形式对外开放。目前，DeepMind 正继续将深度学习应用于硬科学问题。
近日，DeepMind 再添大动作，其与英国国家气象局合作开发了一种名为 DGMR 的深度学习方法，可以准确预测未来 90 分钟内下雨的可能性，而这是天气预报中最艰巨的挑战之一。
9 月 30 日，相关论文以《使用雷达的深度生成模型进行熟练降水临近预报》（Skilful precipitation nowcasting using deep generative models of radar） 为题发表在《自然》（Nature）杂志上 [1] 。
天气预报在日常生活中十分关键，它会极大程度上影响我们的日常决策：是否应该带伞？遇到大雨的车辆应该如何安排路线？在户外活动中应该采取了哪些安全措施？会不会有洪水？
此外，预测降雨对水资源管理、农业以及航空等行业相当重要。但是要真正做好这件事是不容易的，确定天空中有多少水以及水将在何时何地落下，取决于许多天气过程，如温度的变化、云的形成和风，这些因素本身就足够复杂，如果将它们放在一起，则更加复杂。
中世纪时期，气象学家们开始使用星星进行降雨预测。随后，他们逐渐保留记录季节和降雨模式的表格。在几个世纪后，刘易斯·弗莱（Lewis Fry）设想了一个“预报工厂”，通过计算和大气物理方程来预测全球天气。
如今，天气预报由数值天气预报（NWP）系统通过求解物理方程的方式来提供支持。然而，这种方式很难在较短时间内生成高分辨率预测，临近预报则恰好填补了这个关键时间间隔内的性能差距。
降水临近预报是对未来两小时内降水的高分辨率预测，它满足了许多依赖于天气决策的部门的现实社会经济需求。
近年来，常见的深度学习方法使用雷达直接预测未来降雨率，虽然准确地预测了低强度降雨，但其操作效用有限。因为其缺乏约束，导致预测强度较差，会在较长的交付周期内产生模糊的临近预报，从而在罕见的中到大雨事件中表现不佳。
对气象学家来说，降水的临近预报仍然是一个巨大的挑战。对此，DeepMind 提出了 DGMR 深度学习方法，用于雷达测量降水的概率临近预报。
DeepMind 研究团队表示，“通过 50 多位专家气象学家的系统评估表明，与广泛使用的临近预报方法相比，该方法在 89% 案例中的准确性和实用性排名第一，包括其对降雨的位置、范围、运动和强度的预测等方面，证明了 DGMR 深度学习方法具备为现实世界的决策者提供洞察力的能力。”
据了解，平流方法（PySTEPS）生成的降水结果强度通常过高，而确定性深度学习法（UNet）的结果又较为模糊。比起这两种临近预报方法，DGMR 平衡了预测结果的降水强度和范围，可以更好地捕捉环流、强度和结构，并能够更清晰准确地预测局部的降雨和运动。
此外，DeepMind 根据来自英国和美国的雷达数据训练人工智能。许多国家和地区全天频繁发布跟踪云层形成和移动的雷达测量快照，将这些快照放在一起可显示降雨模式如何在全国范围内移动，类似于电视上的预测视觉效果。
研究人员将这些数据输入到一个深层网络中去，经过训练可以生成新的数据样本，这些样本与它训练的真实数据非常相似。在这种情况下，DGMR 学会了生成假雷达快照，以继续实际测量序列。
通过 DGMR ，DeepMind 基于过去的雷达测量数据预测未来的雷达测量结果，既可以准确捕获大规模事件，同时还可以生成许多替代的降雨场景，也就是集合预测，从而提高了预测降雨的准确性。
负责这项研究的夏奇尔·穆罕默德（Shakir Mohamed）表示，“这与看几帧电影后，猜测接下来会发生什么是一样的思路。”
此项研究中，DeepMind 采用独特的科研思路，把可用的高质量数据用于难以攻克的重要领域，同时推动机器学习算法在临近预报方面“大展宏图”。
而 DGMR 的出色表现，也使得天气传感技术向前迈进了一大步，雷达提供高分辨率测量数据的频率大幅提高，从过去 的 20 分钟观测一跃提升至可为接下来的 90 分钟提供概率预测。